Lección 12 del curso Pronósticos de Series de Tiempo con Regresión.
En la lección anterior vimos cómo seleccionar las variables predictoras en un modelo de Regresión Lineal para pronósticos de Series de Tiempo, con el fin de elegir el menor número de covariables posible que a la vez genere el máximo desempeño del modelo.
En esta penúltima lección del curso veremos cómo extender las ideas de los modelos basados en Regresión Lineal a modelos que usan funciones no lineales para la generación de pronósticos. Así que veremos la idea básica de la Regresión no Lineal y veremos además un ejemplo práctico de implementación de uno de estos modelos usando Python y las librerías Scikit-Learn y MLForecast:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Como acabamos de ver, en la práctica hay una infinidad de modelos de regresión no lineal que podríamos usar para abordar un problema de pronósticos de Series de Tiempo. Al final, la elección del modelo no lineal más adecuado dependerá de las características particulares de la Serie de Tiempo que estemos analizando.
Y entre los modelos de regresión no lineal más comúnmente usados para pronosticar Series de Tiempo podemos encontrar los modelos polinomiales, los «log-log», los «log-lineal» y «lineal-log» o los modelos que usan la variable temporal elevada a una potencia mayor que 1.
Así que en este punto ya tenemos una idea clara de estos modelos de regresión no lineal y estamos listos para la última lección del curso, en donde hablaremos de los conceptos de correlación y multicolinealidad que siempre debemos tener en cuenta al momento de implementar modelos de pronósticos con Regresión Lineal.
Todas las lecciones del curso Pronósticos de Series de Tiempo con Regresión